AI相关概念
关注
分享
扫一扫
C小C
这个作者很懒，什么都没留下…
展开
-
（转）对于反卷积概念的理解
【时间】2018.10.10【题目】（转）对于反卷积概念的理解【原文链接】https://buptldy.github.io/2016/10/29/2016-10-29-deconv/ 反卷积（Deconvolution）的概念第一次出现是Zeiler在2010年发表的论文Deconvolutional networks中，但是并没有指定反卷积这个名字，反卷积这个术语正式的使用是在...转载 2018-10-10 12:30:10 · 459 阅读 · 0 评论 -
L0、L1、L2范数在机器学习中的应用（转）
【时间】2019.08.12【题目】L0、L1、L2范数在机器学习中的应用（转）详细地讲解了L0、L1、L2的概念、差异、应用、效果并解释了原因，非常详细形象。一、L0、L1、L2范数在机器学习中的应用...转载 2019-08-12 11:04:18 · 344 阅读 · 0 评论 -
Dropout与Inverted Dropout细节，在训练与测试阶段的使用
【时间】2019.08.06【题目】Dropout与Inverted Dropout细节，在训练与测试阶段的使用现在常说的Dropout指Inverted Dropout，Keras中实现的Dropout也是Inverted Dropout。一、Dropout 的实现方式二、两者的区别Inverted-dropout的基本实现原理是在训练阶段每次迭代过程中，以keep_p...转载 2019-08-06 15:00:35 · 4472 阅读 · 0 评论 -
对比损失与三元组损失
【时间】2019.08.05【题目】对比损失与三元组损失一、对比损失二、三元组损失具体见：一篇文章，教你读懂度量学习、三元组损失函数度量学习（metric learning）损失函数...原创 2019-08-05 14:23:01 · 4240 阅读 · 0 评论 -
凸优化和非凸优化（为什么要求损失函数是凸函数）
【时间】2019.08.03【题目】凸优化和非凸优化具体见：凸优化和非凸优化为什么深度学习中往往要求损失函数是凸函数？因为凸函数最终得到的解是全局最优解，非凸函数得到的可能是局部最优解，训练时可能不收敛。（个人理解）...转载 2019-08-03 20:39:02 · 7722 阅读 · 0 评论 -
稀疏表示（Sparse Representations）
【时间】2019.07.16【题目】稀疏表示（Sparse Representations）（转）稀疏编码、字典学习稀疏表示（Sparse Representations）转载 2019-07-16 21:40:40 · 1252 阅读 · 0 评论 -
计算机视觉中的注意力机制（Visual Attention）（转）
【时间】2019.05.18【题目】计算机视觉中的注意力机制（Visual Attention）转载：计算机视觉中的注意力机制（Visual Attention）转载 2019-05-18 15:56:24 · 1303 阅读 · 0 评论 -
keras中实现SVM（转，未试过）
【时间】2019.03.26【题目】keras中实现SVM（转，未试过）一、keras中实现SVM1、CNN中使用SVM进行分类（keras的实现）二、hinge loss1、理解Hinge Loss (折页损失函数、铰链损失函数)2、SVM（支持向量机）之Hinge Loss解释...转载 2019-03-26 17:07:04 · 6053 阅读 · 0 评论 -
Batch Normalization 学习笔记与Keras中的BatchNormalization层
【时间】2019.01.22【题目】Batch Normalization 学习笔记与Keras中的BatchNormalization层一、Batch Normalization基础知识具体参考博文：Batch Normalization 学习笔记在博文中，介绍了Batch Normalization 的出现背景，即它要解决的问题：解决传统的神经网络训练需要我们人为的去选择参数，...原创 2019-01-22 13:02:33 · 27359 阅读 · 6 评论 -
对比损失Contrastive Loss
【时间】2-019.01.21【题目】对比损失Contrastive LossPS：本文转载自Contrastive LossContrastive Loss在传统的siamese network中一般使用Contrastive Loss作为损失函数，这种损失函数可以有效的处理孪生神经网络中的paired data的关系。siamese network-孪生神经网络con...转载 2019-01-21 15:31:24 · 2543 阅读 · 1 评论 -
（转）交叉熵损失函数的推导过程与直观理解
【时间】2019.01.09【题目】（转）交叉熵损失函数的推导过程与直观理解【转载链接】简单的交叉熵损失函数，你真的懂了吗？一、交叉熵损失函数的推导过程 说起交叉熵损失函数「Cross Entropy Loss」，脑海中立马浮现出它的公式： 我们已经对这个交叉熵函数非常熟悉，大多数情况下都是直接拿来使用就好。但是它是...转载 2019-01-09 19:58:59 · 5669 阅读 · 2 评论 -
（转）深度学习中优化算法总结（momentum、Nesterov Momentum、AdaGrad、Adadelta、RMSprop、Adam）
【时间】2018.12.12【题目】深度学习中优化算法总结（momentum、Nesterov Momentum、AdaGrad、Adadelta、RMSprop、Adam）转载：深度学习中优化方法——momentum、Nesterov Momentum、AdaGrad、Adadelta、RMSprop、AdamDeep Learning 最优化方法之Momentum（动量）...转载 2018-12-12 17:19:04 · 762 阅读 · 1 评论 -
对反卷积概念的一些总结
【时间】2018.10.10【题目】对反卷积概念的一些总结 概述今天读到了一篇对反卷积概念解释得形象易懂的文章，下面是对文章阅读后的一点总结，原文内容更为详尽，具体可见：https://blog.csdn.net/C_chuxin/article/details/82995223 一、对反卷积概念的一些总结 反卷积在结果也是通过卷积运算获得的，其中卷积核是原卷积核的转...原创 2018-10-10 12:47:25 · 1228 阅读 · 0 评论 -
监督、无监督、在线和批量学习介绍（转）
【时间】2019.08.12【题目】监督、无监督、在线和批量学习介绍（转）转自：最全机器学习种类讲解：监督、无监督、在线和批量学习都讲明白了转载 2019-08-12 14:06:12 · 279 阅读 · 0 评论